本文提出了两种不同的网络结构 Branch-Level U-Net (B-UNet) 和 Branch-Level CE-UNet (B-CE-UNet)，它们基于 U-Net 结构，并比较了相同数据集的预测结果。特别地，这两种网络都添加了分支损失和中央线损失，以学习气道的精细分支末端的特征。此外，还包括不确定性估计算法来获得自信的预测结果，从而增加整个模型的可靠性。此外，在后处理过程中，根据最大连接率计算和提取了基于肺气管的预测结果，以进行分割的细化和修剪。

Feb, 2024

利用深度学习模型 - AnatomyNet 可以自动分割头颈部 CT 图像中的 OARs，该模型的 3 个核心特点包括全容积编码方式、编码层中的 3D squeeze-and-excitation 剩余块、以及基于 Dice 分数和 focal loss 的新损失函数。相较于之前的分割方法，AnatomyNet 显著提高了分割精度（Dice 相似系数增加了 3.3%），同时可在 0.12 秒内处理完整个头颈部 CT 图像，并且无需或很少需要前 / 后处理步骤。

Aug, 2018

本文提出了一种基于深度学习的新型算法来自动分割下颌神经管，其中包括两个阶段：用新的基于直方图的动态窗口方案增强 CBCT 扫描图像以改善下颌神经管的可视性，然后采用基于 3D 深度监督注意力 U-Net 体系结构选定感兴趣的区域，最后采用多尺度输入残差 U-Net 结构准确地分割下颌神经管，并在 500 个扫描中进行了严格评估，结果表明我们的方法比当前现有的分割性能和鲁棒性方法表现更优越。

Oct, 2022

采用深度学习方法，训练了一种 3D U-Net 架构的自动分割算法，成功实现了 21 个头颈部放射敏感器官的自动分割，同时引入了表面 Dice 相似系数（surface DSC）一种能更好地反映纠正自动分割错误的临床任务的新指标，表明该模型在不同研究中心和国家具有较强的泛化能力，并可通过适当的验证研究和监管审批实现提高放射治疗路径的效率、一致性和安全性的目标。

Sep, 2018

通过提出一种新的结构感知网络和平滑度项，以更好地利用组织解剖学信息并生成更准确的语义边界，对乳腺超声图像进行分割，从而显著改善了肌肉、乳腺和肿瘤类别的分割结果，并产生更准确的组织边界细节。

Mar, 2024

本文探讨基于卷积神经网络（CNN）的分割解决方案，以提供多模式磁共振成像的快速，可靠的病变和灰质结构分割，重点研究了基于 2016 MSSEG 训练数据集上的两个完全卷积 CNN 架构的性能，并比较了其他方法的性能表现。

Jan, 2019

我们提出了一种新颖的深度主动学习模型 - 3D Wasserstein 鉴别 UNet（WD-UNet），用于减少医学 3D 计算机断层扫描（CT）分割的注释工作量。我们的方法可以嵌入不同的主动学习策略和不同的网络结构，通过使用不确定性度量作为查询策略的输入参数，可以获得比一些最先进的监督式深度学习模型更准确的预测结果，并且节省了标注成本。

Oct, 2023

本文提出了 ADS UNet 算法，通过阶段性的增量式训练实现对浅层网络的高效深度监督，并对子 UNet 模型进行性能加权组合，以降低特征之间的相关性并提高分割性能，成功地在三个组织切片数据集中超越基于 Transformer 的最先进模型，而且只需要 37% 的 GPU 资源和 34% 的训练时间。

Apr, 2023

本文提出了一种改进的 UNet 结构，称为 SLCA UNet，它结合了残差密集块、分层注意力和通道注意力模块，以及堆叠卷积。在脑肿瘤分割上，该方法在 BraTS 2020 数据集上表现良好，平均 Dice 系数、灵敏度、特异度和 Hausdorff95 分别为 0.845、0.845、0.999 和 8.1。

Jul, 2023

本文介绍了一种用于脊柱手术的首个实时分割方法，通过视频引导避免对脊神经的损伤，为外科医生提供重要的导航信息。此方法基于一份约 10,000 帧的细致注释分割数据集，针对语义分割问题，提出了 FUnet (Frame-Unet) 模型，通过利用帧间信息和自我注意机制，实现了业界最先进的性能。我们还对相似的息肉内窥镜视频数据集进行了拓展实验，结果表明该模型具有良好的泛化能力和优越的性能。本文提供了数据集和代码，详见此 https URL。

Jul, 2023